Nilalaman
T:
Paano maaaring maging isang mahusay na pagpipilian ang containerization para sa isang kapaligiran sa proyekto ng pag-aaral ng machine?
A:
Ang ilang mga kumpanya ay lumilipat patungo sa containerization para sa mga proyekto sa pag-aaral ng makina, batay sa ilan sa mga benepisyo na inaalok ng mga setup ng lalagyan sa mga tuntunin ng mga platform at software na kapaligiran.
Ang pag-aaral ng makina ay kumplikado - ang mga algorithm mismo ay nagsasagawa ng maraming napaka detalyado at kumplikadong mga aksyon sa data. Gayunpaman, ang panukala ng halaga ay, sa ilang mga paraan, medyo simple - ang algorithm ng pag-aaral ng machine ay gumagana sa data na papasok mula sa mga kapaligiran sa imbakan.
Ang paggamit ng mga lalagyan ay nagsasangkot kung paano inilalagay ng mga inhinyero ang data sa kapaligiran ng pag-aaral ng makina, at kung paano gumagana ang mga algorithm.
Ang mga inhinyero ay maaaring gumamit ng virtualization ng lalagyan alinman upang mai-host ang data, o upang ma-deploy ang code na nagpapatakbo ng mga algorithm. Kahit na ang mga lalagyan ay maaaring maging kapaki-pakinabang para sa data, ang kanilang pangunahing pakinabang ay maaaring dumating sa kanilang paggamit upang ma-house code ang algorithm.
Nagtatampok ng mga arkitektura ng lalagyan ang mga apps na nasa sarili at mga codebases. Ang bawat lalagyan ay nakakakuha ng sarili nitong clone ng operating system, at nakakakuha ito ng isang buong operating environment para sa app o code function set na nakatira sa loob nito.
Bilang isang resulta, ang mga indibidwal na apps, microservice o codebases na nasa bawat lalagyan ay maaaring ma-deploy sa napaka-maraming nalalaman paraan. Maaari silang ma-deploy sa iba't ibang mga platform at iba't ibang mga kapaligiran.
Ngayon, ipagpalagay na sinusubukan mong mag-ramp up ng isang proyekto sa pag-aaral ng machine kung saan ang iba't ibang mga algorithm ay kailangang gumana sa iba't ibang mga piraso ng data sa isang makabagbag-puso na paraan. Kung napapagod ka sa pagharap sa mga hamon sa cross-platform o mga isyu sa dependency o sitwasyon kung saan mahirap ang pag-deploy ng metal-metal, ang mga lalagyan ay maaaring solusyon.
Mahalaga, ang mga lalagyan ay nagbibigay ng isang paraan upang mag-host ng code. Pinag-uusapan ng mga eksperto ang tungkol sa pag-aalis ng mga lalagyan laban sa naka-imbak na data upang makakuha ng magagandang resulta.
"(Ang mga app) ay maaaring halo-halong at maitugma sa anumang bilang ng mga platform, na halos walang kinakailangang porting o pagsubok," isinulat ni David Linthicum sa isang artikulo ng TechBeacon na nagpapalawak sa halaga ng mga lalagyan para sa mga proyekto sa pag-aaral ng machine, "dahil mayroon sila sa mga lalagyan. , maaari silang gumana sa isang lubos na ipinamamahagi na kapaligiran, at maaari mong ilagay ang mga lalagyan na malapit sa data na sinusuri ng mga aplikasyon. "
Nagpapatuloy ang Linthicum upang pag-usapan ang tungkol sa paglalantad ng mga serbisyo sa pag-aaral ng machine bilang mga microservice. Pinapayagan nito ang mga panlabas na aplikasyon - batay sa lalagyan o hindi - upang magamit ang mga serbisyong ito anumang oras nang hindi kinakailangang ilipat ang code sa loob ng application.
Sa isang napaka-pangunahing kahulugan, ang paglawak ng lalagyan ay tungkol sa paggawa ng pag-andar ng programa sa pag-aaral ng makina na mas naaangkop - ginagawa ang layo sa mga silikon at hindi kinakailangang koneksyon - at muli, mga dependencies - na maaaring maggupit ng isang proyekto. Para sa isang sandalan, nangangahulugang proyekto sa pag-aaral ng makina, kung ang mga indibidwal na bahagi ng mga algorithm o aplikasyon o pag-andar ay nakalagay sa loob ng mga lalagyan, madali itong i-micromanage ang mga nasasakupang sarili na piraso at lumikha ng mga kumplikadong proyekto sa pag-aaral ng produkto nang naaayon.